Искусственный интеллект (нейросеть типа персептрон) различает гороскопы людей разных профессий с точностью до 91%
Данное исследование полностью закрывает вопрос о том, является ли астрология точной наукой, оставляя лишь вопросы о том, как именно связаны планеты и судьбы людей. Если математическая машина способна стабильно различать гороскопы людей разных профессий с пугающей точностью, то почему мы должны отказывать в том же астрологу?
Серию исследований в астрологии с помощью статистики я начал еще в 2011 году или даже раньше. Ниже я хочу познакомить всех заинтересованных с некоторыми их результатами. Если у вас появились вопросы или замечания по приведенным здесь материалам, пишите мне на solncev@ya.ru - Дмитрий Солнцев.
Краткий видеообзор исследования на ютубе - ниже.
Тоже видео на рутубе. Ссылка на исследование: Ретроградность Сатурна и продолжительность жизни.docx.
Как это работает?
Для разных задач могут быть использованы свои модели искусственного интеллекта и нейросетей. При распознавании образов, очень часто используется, такая модель как «персептрон» (иногда пишут «перцептрон»):
Этот вариант нейросети, после небольшого обучения, хорошо различает два любых нарисованных символа, например: «A» и «B», «1» и «2», «галочку» и «крестик» или любые другие.
Пример работы этой программы вы можете посмотреть здесь:
Рисуйте по одному из двух символов (инструкция ниже).
Когда символ нарисован на канве – нажмите англ. «v» (в нижнем регистре, т.е. прописную) - это режим обучения. После этого канвас будет разбит на подобие «пикселей» («точек»), которые будут переданы в персептрон для его обучения или распознавания. Теперь, для машины нужно пояснить, что она получила. В этой версии доступно только два состояния: «positive» и «negative». Один символ мы должны представить машине как «positive», а второй, как «negative». После нажатия «v» появляется диалоговое окно, в котором в случае «positive» нажимаем «Ок», а в другом («negative») – «Отмена». Так машина понимает, что полученные данные относятся к одной из двух категорий.
После этого нажимаем англ. «c», чтобы сбросить канвас в исходное состояние. Рисуем новый символ (желательно, другой) и нажимаем «v».
По-разному вводим 4-5 символов каждого из двух вариантов. Уже на этом обучение можно приостановить. После ввода символа, для распознавания нажимаем англ. "b", и получаем сообщение от нейросети: "positive" или "negative" в зависимости от того, что она определила. Если нейросеть сделала неверное заключение - можно нажить "v", чтобы дообучить систему и добавить символ в набор "изученных" нейросетью.
Как вы видите, во время обучения поле («холст» или «канвас») разбивается на равные квадраты, которые оказываются только в двух состояниях: заполненные или пустые. И мы передаем на сенсоры нейросети (их количество равно сумме квадратов на холсте) единицу, если квадрат заполнен или ноль, если он остался чист. При обучении нейросеть придает каждому входному сигналу, а также всем их сочетаниям (ассоциациям), определенный «вес», который и задает выбор в пользу одного из двух вариантов ответа.
При распознавании, получив на входе (на сенсоры) данные по каждому квадрату холста, нейросеть "взвешивает" и оценивает "вес" каждого полученного параметра и их сочетаний (ассоциаций), вычисляя, какой из двух исходов «перевешивает» (более вероятен) в данном случае. По итогу, мы получаем результат в формате "да" ("positive", распознан первый тип символа) или "нет" ("negative", распознан второй тип символа).
По такому же принципу мы можем передавать данные по позиции планеты в каждом из 12 знаков Зодиака. Если знак пуст - передаем 0, а если планета в нем - 1. Получится "строка" содержащая 11 нулей и единицу в той ячейке, которая соответствует знаку. Так последовательно можно передать "картинку" гороскопа с позицией всех исследуемых планет в знаках (или домах, если потребуется).
Вот пример такой строки:
obnie[1] = [0,0,0,0,0,0,0,1,0,0,0,0, 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,0,1,0,0,0,0,0,0,0,0, 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,0,0,0,0,0,1,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,1,0, 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,1,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,1,0,0,0,0,0,0, 0,0,0,1,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,1, 0,0,0,0,0,1,0,0,0,0,0,0,]; voz[1] = 0;
Здесь мы формируем массив для обучения нейросети, в котором первые 12 ячеек отведены для Лагны, и далее по 12 для Солнца, Луны, Меркурия, Венеры, Марса, Юпитера, Сатурна, Урана, Нептуна, Плутона, Раху и Кету. Последовательность передаваемых параметров не столь важна, потому, что персептрон будет сочетать каждый сигнал на сенсоре со всеми остальными.
Приведенная выше строчка массива соответствует первому гороскопу из базы, в которой 1000 случаев (ссылка на файл базы). В отдельной переменной к этой строке – «voz» мы сообщаем признак "да" или "нет" по интересующему нас критерию гороскопа. В начале, этим критерием была "долговечность" - прожил ли человек дольше среднего значения по базе из 1000 гороскопов/случаев или нет.
Позже я составил базу из гороскопов актрис (voz = 0) и военных (voz=1) и точность, с которой нейросеть оказалась способна различать гороскопы, удивила меня самого…
Библиотека brain.js
Для работы с нейросетью я использовал библиотеку brain.js (версия 1.6.1) написанную на JavaScript и доступную на GitHub:
https://github.com/brainjs/brain.js
В начале, для обучения нейросети и последующего распознавания, была собрана база гороскопов на основе данных сайта astro.com (AstroDataBank).
База гороскопов
Первую базу гороскопов для исследования долговечности для меня собрала Мария Константинова, на основе данных с сайта astro.com
Гороскопы в АстроДатаБанке имеют рейтинг Роддена (RODDEN RATING). Там, где он указан как А или АА - это означает, что информация о дате, времени и месте рождения известны из письменных документов, например: "свидетельства о рождении" и относятся к категории точные и очень точные.
Мария вручную собирала данные с сайта, стараясь сверять их с информацией из википедии, где это было возможно. Случаи, в которых были сомнения или неопределенность, несовпадения с википедией - она отбраковывала (если находила такое).
Выбирались карты уже ушедших людей (нужна дата смерти из википедии или с самого сайта astro.com) с рейтингом А и АА, а также датой рождения после 1800 года (моя программа имела эфемериды только после этой даты).
Не все, но многие данные на сайте astro.com принадлежат публичным людям или «нашумевшим» случаям и их можно проверить разными способами, например, взяв имя из базы и добавив его в поиск по википедии или гуглу, а также в поиск на самом сайте astro.com.
По сути, исходные данные были собранны, с одной стороны, совершенно случайным выбором, а с другой – из максимально надежных источников, которые легко поддаются проверке.
Мария Константинова собрала для меня исходные данные в удобный массив:
$midg[$ng] = array(' Conaway Jeff ',1950,10,5,10,5,-5,40,43,'N',74,0,'W',2011,5,27,12,0,1);
Строка содержит разделенные запятыми: дату, время и место рождения, а также дату смерти и пол рожденного.
Полная база с рассчитанными гороскопами в pdf.
Через функцию времени была рассчитана продолжительность жизни каждого человека в днях, и затем она была приведена к годам.
Средний возраст по базе получился: 67.6953 лет
Относительно этого возраста все гороскопы были поделены на две категории: долгожители (прожили больше среднего значения) и недолговечные (не дожили до среднего значения).
Первые результаты работы
Сможет ли нейросеть отличить гороскопы долгожителей от недолговечных? 900 случаев (из 1000) было отведено на обучение и 100 на распознание.
В файле obnie.js массивы с данными. Файл можно открыть блокнотом, текстовым редактором или спициальной программой для JavaScript.
obnie[n] - массив с позициями планет в знаках для обучения нейросети. Единица расположена в ячейке, соответствующей знаку Зодиака, начиная с Овна (ячейки 1-12). Первая серия из 12 ячеек для Лагны, а далее по 12 ячеек для планет (Солнце, Луна, Меркурий, Венера, Марс, Юпитер, Сатурн и т.д.).
voz[n] - содержит 1, если человек прожил больше среднего по базе, иначе - 0.
Те же переменные с добавлением буквы "t" ("test") для распознания уже обученной нейросетью.
Пожалуйста, не смешивайте астрологический термин «планета» с астрономическим, это разные понятия. В астрологии Солнце, Луна, Раху (северный лунный узел), Кету (южный лунный узел) и Плутон относят к «планетам». Но, с позиции астрономии, это все разные объекты, которые не имеют отношения к понятию «планета».
Перейдите по этой ссылке:
Нажмите на правую кнопку мыши над страницей и выберите пункт выпадающего меню "Проверить" или "Просмотреть код" (может называться по-своему в разных браузерах). Откроется часть экрана с кодом страницы, где нужно выбрать раздел "Консоль". Затем можно нажать клавишу "v" в английской раскладке и вы увидите процесс работы программы (это занимает некоторое время, придется подождать) в конце которого в консоли появится результат распознавания ста тестовых случаев.
Выглядит это вот так:
При работе нейросети есть элемент случайности на разных этапах обработки данных, поэтому, результаты будут немного различаться от раза к разу. По этой причине я запускал алгоритм 10 раз, чтобы посчитать среднее значение для распознанных случаев.
Вот, что получилось:
В общем случае распознано верно 65,4% гороскопов. Это существенно лучше, чем число в районе 50% для случайного выбора, когда, например, подбрасывая монету мы говорим «долгожитель» в случае орла или «недолговечный» в случае «решки».
Все результаты, о которых я пишу (текущие и все последующие), собраны в файле Results.xlsx (скачать)
Может быть показалось?
По представлениям современной науки позиции планет в гороскопе рожденного - это полная случайность. Давайте передадим случайные положения планет и посмотрим, что сможет распознать нейросеть в этом случае?
В той же пропорции: 900 гороскопов, где положение лагны и планет получены случайным образом, - используем для обучения и 100 подобных, сгенерированных случайно, для распознания. Я сохранил только значения переменной voz (признак долгожителя 1 или 0) и vozt (тестовые) из исходной базы для того, чтобы сохранялось соотношение (пропорция) между долгожителями и нет.
Также как и выше, в файле obnie-rnd.js организованы данные для нейросети.
Запустить нейросеть с этими данными можно здесь: index-rnd.html
Вот, что получилось:
Как видим, результаты заметно хуже (на 9,3%), но даже в случайных данных нейросеть оказывается чуть-чуть лучше, чем просто подбрасывание монеты с вероятностью 50 на 50. Почему так может быть – читайте далее.
А как справится нейросеть, если обучать ее на реальных данных, а распознавать случайные или наоборот? Если все случайно, то мы не должны заметить особой разницы...
Для того, чтобы случайные данные были более похожи на реальные гороскопы я учел одну деталь. Меркурий не отходит от Солнца дальше одного знака Зодиака, а Венера - дальше двух. Я учел эту особенность при подготовке случайных гороскопов для этих двух тестов. В остальном данные идентичны по своей структуре.
obnie-rnd-or.js - массивы данных, где обучение идет на реальных данных из базы гороскопов, а распознавание – на случайных.
Запустить нейросеть с этими данными можно здесь: index-rnd-or.html
obnie-rnd-tr.js - массивы данных, где обучение идет на случайных данных, а распознавание – на реальных.
Запустить нейросеть с этими данными можно здесь: index-rnd-tr.html
Мы видим, что в этом случае нейросеть отрабатывает даже хуже, чем если бы мы подбрасывали монетку при каждом выборе. Это означает, что в реальных данных и случайных есть серьезные отличия. В чем они – это предстоит определить.
Проблема
Первые результаты с распознаванием гороскопов долгожителей и не долговечных, меня вдохновили. Но, в итогах присутствует одна проблема: нейросеть выделяет одну группу (долгожителей) и распознает ее значительно лучше другой - 77% против 40%. При этом, долгожителей в базе оказалось существенно больше.
Нейросеть способна адаптироваться к исходным данным. Получая при обучении больше случаев с долгожителями, она может при неопределенности чаще склоняться к выбору в пользу этой группы. Таким образом, если в базе, скажем, 67% долгожителей, то делая выбор всегда в пользу этой группы, нейросеть покажет результативность близкую к этим же 67%, что не позволит нам сказать, что распознавание осуществлено верно, и между двумя группами гороскопов есть ощутимая разница.
В нашем случае видно, что нейросеть лучше справляется с определением долгожителей, но «хромает» во втором случае. Ситуация существенно лучше, чем в описанном мною варианте с выбором всегда в пользу более многочисленной группы. Но, для нашей уверенности в том, что ИИ действительно верно распознает гороскопы, нужно, чтобы оба случая нейросеть могла выделить с вероятностью более 50%. Поэтому, я продолжил эксперименты.
Три группы долговечности
Теперь я разделил долговечность человека на три группы, как это делается в индийской астрологии. Если продолжительность жизни меньше 36 лет – это короткая жизнь. Если больше 72 (два раза по 36) – длинная.
Я убрал из базы гороскопы тех, кто прожил от 36 до 72 лет и сократил число долгожителей, чтобы немного уровнять численность двух групп.
Получилось всего 193 случая, из которых 60 последних взяли для распознавания. Немного, но по моим другим пробам оказалось, что даже 100 случаев для обучения уже достаточно, чтобы НС показала неплохой результат при распознавании! Если случаев будет больше, то можно ожидать, что точность распознавания вырастет (так было в моих пробах).
360 оттенков серого…
Позже я начал передавать в НС не 0 и 1, а позицию лагны (асцендента) или планеты приведенную к значению от 0 до 1. Для этого долготу планеты, взятую от 0 градусов Овна, мы делим на 360 градусов. Полученное в результате число будет отражать положение планеты на эклиптике (в Зодиаке).
Когда мы передаем на сенсоры нейросети число от 0 до 1, а не строго 0 или 1, мы как бы позволяем ИИ «увидеть» не черно-белую картинку, а с оттенками серого. В результате объем данных сокращается («картинка» меньше размером), скорость работы и точность – увеличиваются!
Пример. Реальные данные - 900 случаев для обучения и 100 для распознавания. Передаем долготу Лагны и планет в виде числа от 0 до 1 (долгота от 0 гр. Овна до 360 и разделенная на 360).
См.: index-pospl.html
Результаты в группе до 36 и после 72
Вот здесь вы можете видеть (и проверить) данные для обучения НС (нейросети):
obnie-36-72.jsЗдесь можно запустить нейронку на обучение и распознавание (работает долго):
Вот результаты работы:
Общая точность осталась, примерно, как в первом случае (66%), но точность для недолгожителей перевалила за 50% и стала 54%, как я и хотел. Правда, при этом сократилась точность для долгожителей с 78 до 71%.
Теперь можно сказать, что ИИ отличает гороскопы долгожителей и недолговечных и распознает обе группы, хоть и не одинаково хорошо.
Сможет ли нейросеть различать гороскопы людей разных профессий?
Чтобы разобраться в этом, я взял базу АстроДатаБанка на 29 000 гороскопов. Эта база попала в интернет много лет назад и распространяется, например, с астропроцессором Zet уже более 10 лет.
Скачать архив SADC с сайта Zet
Скачать копию SADC-ALL.zbs с моего сайта LaGna
Эти данные содержат те же характеристики, что описаны в разделе «База гороскопов» на этой странице. Я отбирал рейтинг Роддена А и АА и даты рождения после 1800 года. Метки в этой базе позволяют отобрать профессии ACTRESS (актрисы, для актеров там отдельная метка - ACTOR) и MILITARY (военные из разных родов войск, чаще всего высокопоставленные). Для первых переменная voz = 0, а для вторых – 1.
Получилось 1603 гороскопа. Из них для распознавания было отобрано 112 последних, где 38 принадлежали военным, а 74 – актрисам.
Я бегло проверил базу на повторение гороскопов и не выявил их. Предполагаю, что все записи уникальные, но даже если есть повторения (например, один человек встречается под разными именами) – таких случаев крайне мало.
Из замеченных во время проверки недочетов увидел только, что Bruce Willis попал в список «актрис». Вероятно, что это «веселая» опечатка, которая могла быть исправлена в новых версиях базы. Но, забегая вперед, скажу, что нейросеть также хорошо различает актеров и военных, как и актрис и военных.
Нейросеть распознает гороскопы актрис и военных с точностью от 80 до 83%!
Вот здесь вы можете видеть (и проверить) данные для обучения НС (нейросети).
Здесь можно запустить нейронку на обучение и распознавание (работает долго, т.к. в нее передаются данные в формате 0 или 1 для каждой планеты и для каждого знака Зодиака, в котором она может оказаться).
Вот результаты работы:
Общая точность около 76%. Отдельно для военных – около 61%, для актрис – около 80%. То есть мы видим, что НС уверенно распознает гороскопы как актрис, так и военных одновременно!
Теперь передадим те же позиции планет, но уже в формате: долгота планеты от 0 гр. Овна, разделенная на 360 гр. Т.е. в виде десятичной дроби в интервале от 0 до 1 (с «оттенками серого»).
Вот здесь вы можете видеть (и проверить) данные для обучения НС (нейросети). Там же данные где я экспериментировал с исключением планет из массива для обучения и распознавания.
Здесь можно запустить нейронку на обучение и распознавание (работает быстро).
Вот результаты работы:
Общая точность около 81%!!! Существенно выше, чем в предыдущем исследовании. 78% военных и 82% актрис определено верно! Позже оказалось, что и эти числа не предел… Но, об этом далее.
Дело случая?
Сравним результаты, полученные на реальных гороскопах, со случайными данными, которые передадим в том же формате. Учтем, что Меркурий не удаляется от Солнца больше чем на 27 гр., а Венера - на 48 гр. Значение переменных voz и vozt сохраняю из реальной базы, чтобы была та же пропорция между двумя группами.
Вот здесь вы можете видеть (и проверить) данные для обучения НС (нейросети).
Здесь можно запустить нейронку на обучение и распознавание (работает быстро).
Вот результаты работы:
Нейросеть перестала распознавать военных и переключилась на тех, кого больше в базе - на актрис. Вероятно, она начала все случаи считать актрисами, и за счет этого выбрала почти всех, из них получив результат в 92% для актрис и только 2% для военных (!). Только из-за актрис общая результативность около 62%.
В случаях для распознавания 74/112 = 0,66 или 66% актрис. Примерно такая же пропорция будет и в базе данных для обучения. Это значит, что если мы будем всегда, или почти всегда, определять представленный нам гороскоп, как принадлежащий актрисе, то покажем результат около 66%, что и произошло. Таким образом, нейросеть не смогла выявить четких критериев для того, чтобы отличить одну группу от другой и стала преимущественно указывать на каждый случай, как на принадлежащий к группе актрис. Поэтому, на случайных данных выявлено только 2% военных на фоне 92% актрис.
В будущем, возможно, сделаю базу, где актрис и военных поровну, думаю, что это приведет к результативности близкой к 50% или даже ниже, для случайных гороскопов...
Некоторые выводы
Точный язык математики демонстрирует нам, что время рождения человека не является случайностью! А также, очевидно, что существует корреляция между положением планет в гороскопе рождения и профессией человека, иначе машина не имела бы возможности отличить по рисунку звездной карты, с впечатляющей точностью, представителей одной профессии от другой, как мы это видели на реальных и случайных данных.
Это означает, что существуют вполне определенные причины, которые предшествуют рождению человека и затем эти причины имеют наблюдаемые нами следствия, которые выражаются в выборе профессии, продолжительности жизни и других элементах судьбы человека.
Нет никаких оснований полагать, что эта цепь причин и следствий, называемая «судьбой», исчерпывается или исчезает или должна быть прервана сразу со смертью человека.
Также, логично предположить, что в том или ином виде существует «некий агент» или «носитель судьбы», который обычно именуется душой (дживой) или Духом (Атмой). И он уже был до рождения человека, чтобы принести с собой в подходящий момент года «семена причин», которые взойдут на почве материального существования и принесут свои неизбежные последствия. Также, как из семени манго вырастет манговое дерево, а из горошины – гороховый куст, - все накопленные причины, рано или поздно, принесут строго соответствующие им последствия, а полученный так «урожай» заложит новые причины, продолжая цепочку…
Так как причины, заложенные «агентом вечности» (душой) во время жизни (материального существования), должны, со временем, привести к своим естественным последствиям, а все такие последствия невозможно исчерпать в рамках одной единственной жизни человека, - правильно будет сделать предположение о том, что «эта музыка будет вечной», и душа вновь явится на «сцену жизни», чтобы собрать заслуженные ей «аплодисменты»…
Взламывая догмы
С 7-8 лет я увлекаюсь игрой Го. Это интеллектуальная восточная игра, которую часто сравнивают с шахматами, хотя ничего общего у этих игр нет… В обоих случаях на поле «сражаются» двое: черные против белых, делая ходы по очереди. На этом сходства заканчиваются. В Го стороны делят поле, расставляя «камни» так, чтобы «отмежевать» себе большую часть территории. Отдельные камни и даже целые группы могут быть захвачены в плен, что делает игру очень динамичной и многовариантной.
На моих глазах проходила «драма», в которой, по началу, беспомощная машина начинала чувствовать себя все более уверенно, пока не взяла верх над человеком.
Сперва машину учили копировать человека и получалось крайне плохо. У лучших программ мог выиграть даже начинающий, едва изучивший правила игры. Из-за того, что размерность поля для Го значительно больше, чем у шахмат, а вариативность стремится к числу, превышающему количество элементарных частиц во Вселенной, - метод перебора вариантов был бесполезен. В какой-то момент казалось, что Го машине просто не по зубам. В нулевых, мы делали шуточные ставки. Кто-то говорил, что машина взломает игру в течение 10 лет, а мне казалось, что этого срока маловато…
Уже не помню, кто выиграл в этом споре, но, очень скоро для улучшения «компьютерного игрока» был предложен метод «Монте-Карло». Суть его сводилась к следующему. Программа не старалась перебрать все варианты, а брала только несколько наиболее вероятных и играла сама с собой несколько тысяч партий на самом примитивном уровне, - только лишь не нарушая правила игры и доводя каждую «виртуальную» партию до финала. Играя сама с собой «на равных», программа собирала статистику – какой ее ход чаще приводит к победе. Затем делала случайный выбор из нескольких наиболее перспективных вариантов хода.
Уже этот простой подход позволил машине оставить позади большую часть любителей Го, но только не профессиональных игроков, которые составляют в Азии отдельную привилегированную лигу, - «белую кость» интеллектуального искусства или спорта, кому что ближе.
Далее события развивались еще стремительнее. В 2015 году появилась программа AlphaGo разработанная компанией Google DeepMind. В начале она состояла из трех модулей. Первый модуль содержал огромную базу партий, сыгранную профессиональными игроками, на которой обучалась нейросеть. После обучения, она с большой вероятностью могла предсказать ходы профессионального игрока. Второй модуль содержал уже упомянутый алгоритм Монте-Карло, в рамках которого сама с собой играла уже обученная нейросеть. Третий модуль позволял программе учиться на результатах двух предыдущих, для глубинного обучения нейросети.
Выбранный подход позволил программе начать свое победное шествие на Олимп, населенный «легендами» из мира профессионального Го. Обыграв одного за другим, программа подобралась к сильнейшему игроку (кореец Ли Седоль был вторым или четвертым в мировом рейтинге на тот момент), который смог оставить за собой лишь одну партию из пяти. Чемпион капитулировал, а его единственная победа, как стало понятно спустя время, была вызвана таким эффектом как «галлюцинация нейросети». В последующих версиях программы, этот «баг», вероятно, был устранен, после чего, робкий луч надежды на то, что человек сможет бороться с машиной, и хотя бы иногда ее побеждать, - угас…
Однако, то, что произошло дальше, извините за грубое выражение, стало настоящим избиением «кожаных мешков». Так мастера дзэн называли нерадивых учеников, которые засыпали во время медитации, за что получали бодрящий удар бамбуковой палкой по спине…
Появилась новая версия программы AlphaGo Zero, которая отличалась от предыдущей, прежде всего тем, что из нее было выброшено все человеческое в виде первого модуля с партиями профессионалов, на которых обучалась «первая ступень» нейросети.
«Зеро» начала обучение с нуля, с чистого листа, играя только сама с собой. Постепенно набирая опыт на игре со своими предыдущими вариациями, эта нейросеть за считанные дни превзошла ту версию Альфа Го, которая еще недавно не оставляла шанса для чемпионов среди профи. AlphaGo Zero обыграла свою предыдущую версию со счетом 100 / 0. Получается, что партии профессионалов, на которых обучалась первая версия – лишь мешали программе играть лучше!
Это был очень болезненный опыт не только для меня, но и для многих, кто годами погружался в тонкости стратегической игры.
Выставляя на поле партии легендарных деятелей прошлого, изучая хитрости четырех домов Го, конкурирующих за звание «Мэйдзин» («Мастер»), анализируя «партию красных ушей» кисэя («святого игрока») Хонимбо Сюсаку, листая антикварные японские «кифу» (тетради с записями партий), впитывая то, как развивались концепции игры от древности до гениальной революции мастера Ву, просматривая партии профессионалов Южной Кореи и Китая с комментариями современных чемпионов, я никак не мог предположить, что какая-то двухлетняя цифровая выскочка, нелепый «электронный Франкенштейн» наших дней, отправит все это на свалку истории, показав, что все эти знания и концепции, возможно, только мешают нам играть в Го! И, если бы мы обучались, сразу освободив свой ум от почти всех концепций (за исключением правил игры), то, быть может, достигли лучшего результата, чем двигаясь согнувшись под неподъемным грузом устаревших догм…
Незадолго до появления Альфа Го, среди профессиональных игроков развернулась полемика о том, на какой форе они смогли бы играть с Го-Богом, - абстрактным игроком, который никогда не ошибается, всегда выбирая наилучший ход в каждой позиции? Мнения мастеров не сильно отличались, - кто-то предполагал, что ему будет достаточно двух камней форы, а более смелым, казалось что можно обойтись одним или даже половиной… Эта дискуссия означала, что нам мерещилось, будто теория игры достигла некоторого совершенства и игрокам почти некуда расти, они уже стоят на расстоянии в шаг или даже пол шага от абсолютного идеала.
В действительности, мы были на вершине собственных амбиций, а не мастерства. Опыт с Альфа Го и ее последующими версиями показал, что предела для совершенства может и не быть, а до идеала нам еще очень и очень далеко, точно не один или два шага…
Извините, если я затянул с «предисловием» к следующей части исследования, но, сделано это сознательно, потому, что двигаясь дальше, и те, кто практикует астрологию и те, кто отрицают ее, могут столкнуться с такой ситуацией, когда придется отложить, все, что мы знали до этого и подойти к фактам с открытым, непредвзятым умом.
Под «перекрестным огнем»
В последние века астрология попадала под перекрестный огонь как теологов авраамических религий, так и ученых с материалистическим мировоззрением. Те немногие, которые подобно Мишелю Гоклену пытались отстоять право астрологии, пусть даже не быть признанной, но хотя бы быть исследуемой, - закидывались тухлыми помидорами со всех сторон.
Теологи насмехались над ней, говоря, что только Всевышний знает и вершит судьбы мира, хотя ничего не говорит против того, что созданные тем же Творцом планеты не могут быть в Его же руках посредниками для высшей воли, а может быть даже и для правосудия, подобно архангелам. Ведь, глава государства не бегает за каждым преступником сам, а создает в государстве службу правопорядка...
Вместо того, чтобы самому следить за каждым грешником (не велика ли честь?), а потом карать его по мере необходимости, не лучше ли один раз создать «механизм» бесстрастный и справедливый, который бы возвращал каждому живому существу, по мере готовности, плоды его усилий, как хороших, так и плохих? Такая «система с обратной связью» могла бы быть самообучающейся и постепенно, развиваться без прямого вмешательства.
Уверен, что у планет есть не только свое место в мироздании, но и свои функции в нем, некоторые из которых касаются нас с вами. Вполне возможно, что задавая циклы времени, планеты несут вместе с ними и плоды тех или иных наших дел…
С другой стороны - ученые, вместо исследований в этой области, более 200 лет морщат лбы, сочиняя пасквили в адрес небесной музы. Их не останавливает даже то, что все «здание науки» стоит на фундаменте, заложенном работами древних философов, астрологов, алхимиков, метафизиков и мистиков . А также то, что они уже не раз сильно и нелепо ошибались в своих заключениях (вспомним такие «лженауки» как кибернетика и генетика на фоне борьбы с которыми выходили миллионными тиражами работы по «мичуринской агробиологии» и «яровизации» многократно награжденного академика Т. Д. Лысенко) и полной картины мира у науки по-прежнему нет.
Что такое сознание, как зарождается мысль в мозге (или за его пределами?), какие факторы определяют/меняют природу мысли и ее течение? У науки есть исчерпывающие ответы на эти вопросы? Мысли определяют наш выбор и поведение, а значит и судьбу, но мы по-прежнему имеем лишь общие представления о том, как протекает процесс мышления. А что если на сам этот процесс оказывает влияние взаиморасположение планет, как в это верят в Индии?
Может быть, современная наука знает, как устроен атом? Нет даже однозначно принятой среди ученых модели атома и понимания всех составляющих его частей, не говоря уже о многом другом в «живой природе». Как можно отрицать что-либо в области, о которой нет полного знания? Пока процесс познания не закончен, - нельзя однозначно утверждать, что может быть в этом мире, а чего нет. Это, как минимум, не научно…
Планет меньше – результат лучше.
Как понять какие планеты вносят больший вклад в результативность распознавания пары профессий, а какие меньший? Я взял ту же пару профессий: актрисы-военные и стал для обучения нейросети использовать массивы, в которых последовательно исключал позиции Лагны (асцендента) и 12 планет, включая транссатурновые. То, что получилось, стало неожиданным для меня…
Я предлагаю сейчас не делать далеко идущих выводов, потому, что картина, которая справедлива для одной пары профессий, может оказаться недействительной для другой. Нужно провести еще много дополнительных исследований, прежде чем перед нами предстанет вся картина.
Результаты работы нейросети при исключении отдельных планет и лагны вы видите ниже.
Таблица 1.
Из базовых (исходных) результатов вычитаем то, что получили для тестов без отдельных планет. Отрицательное число означает, что базовый случай (All) со всеми планетами был менее точным (результативным), чем расчет без какой-то из планет. Числа менее одного процента (менее 0,01), предположительно, можно не рассматривать, так как это может оказаться в пределах погрешности вычислений.
Оказалось, что исключив из исходных данных позицию лагны – можно немного улучшить результаты распознавания! К этой новости я был готов, потому, что давно изучаю такую ветвь астрологии как Бхригу Нанди Наади, в которой лагна просто игнорируется, а выводы делаются только по взаиморасположению планет друг относительно друга и тому – сближаются они, или разбегаются.
Но, похожий эффект возник также для Венеры и Юпитера (строки выделенные в таблице зеленым фоном)!
К этому я уже был не готов.
Что?! Венера должна была играть важную роль для актрис… Но, мы исключаем ее и нейросеть начинает различать группы только лучше (хоть и не значительно, но…)?
А Юпитер в школе Бхригу Нанди Наади заменяет лагну и, по сути, первая планета по важности! Если вы тот герой, что дочитал до этого места, то понимаете, почему текст про «Альфа Го» понадобился мне самому и почему он стал таким длинным…
Строчка таблицы, начинающаяся с ячейки «-La -Ve -Ju» содержит итоги расчетов, в которых эти три параметра были исключены. Общая точность распознавания групп увеличилась на пару процентов. Число это не точное, оно может стать немного меньше или больше, если увеличить количество тестов, но показывает тенденцию.
Итак, мы можем без ущерба для распознавания исключить лагну и эти две планеты… Как уже отметил в начале, выводы делать преждевременно, но сам этот факт заставляет задуматься.
Обращает на себя внимание то, что исключение Меркурия и Марса ухудшило распознавание (положительная разница с исходным случаем), хоть и незначительно (менее одного процента). Столь маленькое влияние не исключает того, что оно находится на уровне погрешности вычислений. Это можно проверить, только доведя статистику хотя бы до сотен исходов.
Также, я заметил, что внутри группы военных сильное влияние на точность оказало исключение Урана (10%) и Плутона (5,8%). Эти числа выделены красным.
В астрологии часто используются «йоги» или комбинации, паттерны, которые образуются сочетанием и взаиморасположением нескольких планет. Поэтому, я решил попробовать взять для распознавания только несколько планет, предполагая, что они могут влиять на выбор профессии. Результаты вы можете видеть напротив ячеек таблицы с обозначениями: Me+Ma+Ur (берем для распознавания координаты Меркурия, Марса и Урана), Me+Ma+Sa (Меркурия, Марса и Сатурна), Me+Ur (Меркурия и Урана).
Результаты распознавания ухудшились, особенно в группе Меркурий + Марс + Сатурн, но все еще были устойчивыми… Сколько же нужно «отрубить голов» у этой «Гидры», чтобы лишить ее возможности различать?
Тогда я попробовал запустить распознавание только по одной планете, отдельно по Меркурию и отдельно по Урану. Я ожидал, что нейросеть не сможет ориентироваться по одной единственной позиции небесного тела. Действительно, когда мы передаем на сенсоры нейросети только позицию Меркурия, она не видит разницы и всех считает «актрисами», т.к. эта группа больше и общий результат будет 66%. Именно таким должен быть результат «распознавания» если на каждый случай указывать как на актрису, - это 74 случая из 112 или 66%.
Но с Ураном меня ожидал еще один сюрприз. Нейросеть уверенно отличала актрис от военных по одной лишь координате планеты, причем в обоих группах! Примерно 78% верно как в общем случае, так и в группах.
Пришлось взять каждую планету и проверить ее отдельно. Оказалось, что похожий эффект сохраняется еще для Нептуна и Плутона. Причем, Нептун показал максимальную результативность вообще для всех опытов – 85,7% общая, 97,3 для военных и 79,7% для актрис.
Но, вот и все, подумает скептик, весь фокус держится только на медленных планетах, которые отмеряют эпохи, и мы можем предположить, что были времена, которые по исторической необходимости, сфокусировали наше внимание на военных, а затем, начался период благоприятный для того, чтобы раскрывался талант актрис…
Нет, не все. Во-первых, нейросеть прекрасно распознает профессии и без транссатурновых, хоть и с немного меньшей результативностью. См. строку напротив ячейки -TrSa: 77,4% в сумме, 78,3% в группе военных и 76,9% в группе актрис. И при этом, ни одна из планет, кроме перечисленных транссатурновых, не позволяет различать профессии, если ее брать в одиночестве. То же касается и Лагны.
Во-вторых, нейросеть хорошо различает и другие группы профессий, например, она отличает бьюти моделей от философов (78% в общем случае и в группах), а также актеров и музыкантов о чем пойдет речь далее. И тут уже сложно сказать, что могут быть эпохи, которые наиболее благоприятны сначала для одной категории, а потом для другой.
В-третьих, требуются дальнейшие исследования, чтобы понять, исчезает ли эффект для транссатурновых планет на большем числе данных и для других профессий, или является устойчивым. В любом случае, с позиции современной науки, утверждать, что какие-то характеристики для целых эпох земной истории могут быть «заданы» положением планет, включая транссатурновые – это, на самом деле, тоже что доказывать, что «астрология работает», ведь никакой корреляции между позицией небесных тел и земными делами быть не должно, как верят современные ученые. Подчеркну слово «верят», потому, что фактических данных, которые бы прямо и однозначно доказывали отсутствие такой связи или ее возможности, у науки нет.
Скорее наоборот, хорошо доказано, что циклы солнечной активности всесторонне влияют на многие аспекты земной жизни, включая даже цены в супермаркетах. Однако, не доказано, что позиции планет могут, в свою очередь, провоцировать различную интенсивность этой активности. Но и это не объясняет влияние планет на судьбу и «свободный выбор» профессии отдельного живого существа. Думаю, что это влияние распространяется не только на людей, но и на все, что есть «под Луной».
В последних строках таблицы вы можете видеть, что я запускал распознавание для данных, которые включали только 5 планет (Me...Sa): Меркурий, Венера, Марс, Юпитер, Сатурн. Затем прибавил к этим планетам Солнце и Луну (Su...Sa) и, наконец, Раху (северный лунный узел) – «7+Ra» (общая точность 76,3%). С каждым прибавлением точность росла, но наилучшими цифры становятся, если мы используем Лагну и 9 планет (не считая транссатурновые, которые не использовались в древности) – 77,4%.
Мишель Гоклен передает привет своим хейтерам!
Мишель Гоклен и его супруга Франсуаза проделали огромный труд, собрав тысячи карт рождения политиков, военных, актеров, музыкантов и т.д. Было бы странным пройти мимо этой базы не проверив, сможет ли нейросеть различать пары профессий в этом случае…
Когда я работал над этим исследованием и статьей, по неизвестной причине, официальный сайт CURA не открывался по этой ссылке:
https://cura.free.fr/gauq/17archg.html
Поэтому, я использовал сохраненные копии страниц в ВебАрхиве:
https://web.archive.org/web/20121005232443/https://cura.free.fr/gauq/17archg.html
База 1473 PAINTERS (PEINTRES) & 1249 FRENCH MUSICIANS (MUSICIENS) A, vol. 4 : from 1796 to 1928
https://web.archive.org/web/20121023085725/http://cura.free.fr/gauq/902gdA4.html
База 1409 ACTORS (ACTEURS) & 1003 POLITICIANS (HOMMES POLITIQUES) A, vol. 5 : from 1600 to 1944
https://web.archive.org/web/20121023083503/http://cura.free.fr/gauq/902gdA5.html
Я взял данные актеров и музыкантов с этих страниц, удалив случаи рождения до 1800 года. Получилось 1392 актера и 1248 музыкантов. Если в базе АстроДатаБанка предусмотрены разные метки (теги) для актеров и актрис, то в данных собранных семьей Гоклен, как я понял, представлены сразу оба пола.
Первые 1000 записей для каждой из групп (всего 2000 случаев) я взял для обучения, а следующие 200 для распознавания (всего 400 случаев). Исходные данные. Запустить нейросеть.
В очередной раз мне пришлось удивляться. Нейросеть смогла правильно определить правильно 91% или 365 случаев из 400. В группе актеров результат 94%, а в группе музыкантов – 88,7%.
Справедливости ради, нужно сказать, что я не сразу получил этот результат, т.к. в начале взял для распознавания группу военных и актеров и там цифры были скромнее (64%). Сложно сказать, что помешало машине также различать две группы. В любом случае, неправильно сравнивать этот случай с парой профессий из АстроДатаБанка, так как и актеры и военные там отбирались по другим критериям.
Дальше я решил сравнить, как поведет себя нейросеть, если убрать из данных транссатурновые планеты. Точность распознавания упала, что говорит о большой значимости этих планет, но все равно осталась на уровне, исключающем случайность – общий результат: 69,4%, в группе музыкантов: 64%, в группе актеров: 74,6%.
Теперь проверим, что нам это не померещилось. Для этого я сохранил время, координаты места и часовой пояс исходных записей, но заменил все даты рождения на случайные (день, месяц и год). Интервал для года рождения был взят как у актеров – с 1800 по 1944.
Вполне ожидаемо, машина перестала различать две группы, показав результат в 49,6%, что соответствует ситуации, когда мы подбрасываем монетку для определения одного из двух вариантов. Закрепив, например, орел за актерами, а решку за музыкантами, мы будем угадывать в районе 50% случаев.
Затем, я подумал, что машина может «зацепиться» за разные интервалы времени и за счет этого лучше различать группы. Теперь, делая случайные даты в исходных данных, я сохранил интервалы, в которых может находиться год: с 1800 до 1928 для актеров и с 1800 по 1944 для музыкантов. Также по 1000 случаев из каждой группы я взял для обучения и по 200 для распознавания.
Эти «рандомные» базы данных можно посмотреть и скачать здесь:
Действительно, машина немного улучшила свою результативность, показав общий результат в 54%, что незначительно лучше, чем простое подбрасывание монеты.
Потом я выяснил, что если к обоим датам рождения прибавлять одинаковое количество дней, то распознавание сохраняется. Вероятно, это можно объяснить тем, что планеты двигаются более-менее синхронно, и их смещение на одинаковом временном отрезке напоминает разворот (наклон), например, символа «А» и «В» на одинаковый угол. Хотя символы при таком повороте немного искажаются, общая способность к распознаванию у машины сохраняется.
Поэтому, я решил «размыть» образ группы, прибавляя к датам рождения случайное число дней от 1 до 45. При этом использовал только данные для Лагны и 9 планет кроме транссатурновых, исключение которых продиктовано тем, что, например, аспект (угловое расстояние) между Нептуном и Плутоном может сохраняться десятки лет. Так секстиль (угол близкий к 60 градусам) с той, или иной точностью сохраняется, примерно, с 1945 по 2035 годы.
Результаты для группы актеров и музыкантов после «размытия» (прибавления случайного числа дней от 1 до 45 к дате рождения) привела к падению результативности в работе нейросети до 57%. Особенно просело качество распознавание для группы музыкантов – до 44%.
Это опять говорит о том, что существует существенная разница между группой карт («картинок»), которая относится к рождению актеров и музыкантов в сравнении с произвольными датами, которые немного отстоят от них. Это может означать, что дата рождения не случайна и имеется корреляция между картой рождения (гороскопом) и профессией человека.
И еще один привет от М. Гоклена
А сможет ли машина, обучившись на базе гороскопов из АстроДатаБанка, успешно распознавать близкие группы из собрания карт М. Гоклена?
Берем гороскопы актрис и военных из АстроДатаБанка для обучения (всего 1491 случай) и те же 400 случаев из БД М. Гоклена для распознавания (по 200 для актеров и военных). Сравнивать эти группы не совсем корректно, т.к. в первой группе только актрисы, а при распознавании - актеры обоих полов. Также военные в АстроДатаБанке, обычно, высокопоставленные и чем-либо известные, а по каким критерием отбирал в группу М. Гоклен - нужно уточнить. Тем не менее, интересно, что сможет нейросеть в этом случае! Передаем долготу планет от 0 до 1 (делим долготы от 0 гр. Овна на 360 гр.) Лагна и 12 планет.
Результативность общая 64% и 37% для военных и 90% для актеров.
Перекос в сторону актеров, возможно, вызван тем, что обучение персептрона шло не равномерно. В исходной базе может последовательно идти несколько случаев военных, а потом меньшее число актрис… Я заметил, что лучшие результаты дает равномерное обучение, когда после случая из одной группы сразу предлагается вариант из другой.
Тогда я взял гороскопы актрис и актеров (по 450 случаев) в одну группу и музыкантов (900 случаев) из АстроДатаБанка для обучения (всего 1800 случаев) и те же 400 случаев из БД М. Гоклена для распознавания (по 200 для актеров и музыкантов). Передаем долготу планет от 0 до 1 (делим долготы от 0 гр. Овна на 360 гр.) Лагна и 12 планет.
Результативность возросла до 76%. В обеих группах наблюдается распознавание более 50% случаев. 59% для актеров и актрис и 93% для военных.
Данные из двух БД для обучения. Запустить нейросеть на обучение по АстроДатаБанку и распознавание по базе Гоклена.
Это означает, что распознавание не сильно зависит от того, кто и как собирает исходные данные. Критерии отбора в группы могли быть немного разными. В АстроДатаБанк попадали преимущественно заметные люди, или нашумевшие случаи со всего мира и с 1800 года (мое ограничение) по наши дни. В то же время, М. Гоклен отбирал карты рождения, не руководствуясь принципом «заметности» личности (если я не ошибаюсь) и, что важно, он преимущественно получал данные о европейцах, которые проживали в Европе с 1800 (мое ограничение) по 1928 (музыканты), или 1944 годы (актеры). Не смотря на это, персептрон, обученный на данных одной базы, уверенно распознает случаи из другой.
Это волшебно!
Этические проблемы
Я ожидаю, что мое исследование будет всесторонне и систематически проверено, изучено и подтверждено (либо опровергнуто?). И, если оно подтвердится, то это открывает необъятные горизонты для исследования и применения «нейросетевой астрологии». Но, польза от этого может быть столь же масштабной, как и вред.
Нейросети - такой же инструмент, или орудие, как и палка. С тех пор, как человек взял ее в руки, он изобрел множество усовершенствований. Из палки можно сделать мотыгу или метлу, пику против зверя, или рычаг. Но, также можно огреть ею соседа, который не похож на нас с вами, а значит «чужой», подозрительный и опасный…
Основанный на нейросетях, искусственный интеллект в руках злонамеренных людей скоро станет напоминать «зверя» из Апокалипсиса, который вылез на сушу, чтобы терзать нас. Подавляющий своим превосходством и античеловечный (не гуманный), он мог бы быть другим, если бы в создающих его людях было больше ответственности, а принципы этики стали чертой «не преступи», способной оградить человечество от большого зла, или ущерба себе подобным. Но, он такой, каким мы его обучаем быть. И, в этом смысле, - он не только наше порождение, но и отражение, в котором, как в зеркале, мы сможем увидеть себя такими, какие мы есть на самом деле.
Разве виноват ИИ в том, что мы хотим оцифровать (токенизировать) и поделить весь мир, создав новый цифровой феодализм, а то и цифровое рабство? Виноват ли он в том, что мы бесконечно делим мир на несуществующие в действительности границы и стремимся каждому кусочку назначить хозяина, который станет извлекать прибыль со своего надела реального или виртуального? Ведь все эти границы и наделы существуют лишь в наших умах и нигде более, но мы готовы бесконечно спорить о них и передвигать их, то туда, то сюда…
Мы заперты в тюрьмах своих умов, в «коробочках» с непробиваемыми стенами убеждений, догм, стереотипов, неосознанных реакций и другим полезным мусором. И есть только один способ покинуть добровольный затвор – это познать в себе жизнь души и духа, спонтанную, ничем не обусловленную основу нашего существования. Обрести свободу через творчество, вдохновение, озарение, интуицию и добрую волю к окружающим (стремление помочь).
Можно ли достигнуть счастья путем причинения несчастий окружающим? Ответ, на этот вопрос всегда казался мне очевидным: «нет». Но, вот недавно я наткнулся на то, как нейросеть отвечает на похожий вопрос.
Это «пишет» языковая модель, которая в некотором смысле обобщает множество текстов, на которых она обучалась. Условно, ответ можно разбить на две части: «да, потому, что так устроен этот, чертов, мир» и «нет, мы же должны быть добры друг к другу, иначе не этично»… Т.е. решайте сами, в конечном счете, или смиритесь с «реальностью» или мечтайте дальше, - допустимы оба подхода.
В действительности, ситуация такова, что человек не способен выжить в одиночестве, только в группе. Не только в детстве или в старости, но и на протяжении всей жизни мы полностью зависим от других людей, на 100%. Наши мысли и убеждения – заимствованы у учителей, одежда от швей, еда от хлеборобов и пекарей, кров от строителей. Своей деятельностью мы стараемся отблагодарить этих людей и в современном мире эквивалентом благодарности стали деньги. Когда-то же было достаточно только «помнить и хранить благодарность», чтобы отблагодарить, когда представится подходящий случай, либо «заплатить другим».
В наше время, деньги благоденствуют, а вот благодарность стала уходить… Последним островком, в котором деньги еще не захватили весь мир – остается семья, где мы стараемся не переводить взаимные услуги и поддержку в денежный эквивалент. Но, давайте доведем ситуацию до абсурда для того, чтобы сделать ее нагляднее.
Итак, жена просит денег с детей и мужа за то, что готовит им еду и убирается по дому. Дети берут у родителей деньги на еду и учебу в долг, чтобы расплатиться с ними, когда они вырастут. Целуя своего сына перед сном – мать заносит услугу в «реестр оказанных», позже сын заплатит за это по прейскуранту и с учетом инфляции. Муж оплачивает «услуги семьи» и выдает ей ссуды, а также берет свой процент за защиту. «Добрый взгляд» сегодня идет по двойному тарифу, а вот «сцену ревности» можно заказать с 50% скидкой. Завтра у семьи «распродажа» на постирку белья, - надо всем успеть сдать вещи. Чтобы ничего не упустить, - давайте автоматизируем, оцифруем и токенизируем эти процессы.
Не сделают ли такие отношения всех их чужими людьми (каждый за себя), одинокими и несчастными? Будет ли хоть кто-то из них счастлив в окружении других глубоко несчастливых людей? Вообразите, что все, что вас связывает с близкими людьми – это долги или ссуды, обязательства по оказанию услуг и т.п. Не превратятся ли люди, движимые только такими взаиморасчетами, в подобие машин или роботов?
А теперь представим, что весь мир – это одна большая семья и мы все родственники, которые связаны и зависят друг от друга. Не тоже ли самое происходит в нашей большой семье? Сможем ли мы быть счастливыми в такой среде с таким отношением друг к другу?
Противоположной по своему подходу может стать община (группа семей), как свободное объединение людей с близкими духовными убеждениями, с общими стремлениями и подходами, внутри которых не будут доминировать товарно-денежные отношения. Риск стагнации и превращения такой общины в тоталитарную секту может быть преодолен за счет регулярной и обязательной сменяемости лидеров или возглавляющих семей.
Да, такие группы будут создаваться и распадаться, пока некоторые из них не нащупают какую-то устойчивую форму существования, но это естественный и ожидаемый процесс усовершенствования.
Опыт и исследования показывают, что в окружении единомышленников, проявляющих заботу друг о друге, человек может быть действительно счастлив и проживать жизнь, наполненную смыслом.
Мне кажется, что стремление благодарить (быть полезным) заложено в живом на том же инстинктивном уровне, где хранятся реакции на стресс: агрессия, бегство, замирание. Противоположная стрессовой реакция также должна присутствовать на самом глубинном уровне и это стремление принести благо (т.е. отблагодарить). Например, кошки приносят хозяину пойманных ночью мышей в благодарность за уход. Это осмысленное действие или инстинкт?
Принятие ответственности
Ответственность за использование нейросетей – персональная, так же как и при применении любого другого орудия труда. И, похоже, что последствия своих дел душа забирает с собой, если не успевает столкнуться с ними в течение жизни. Иначе, как объяснить тот «выбор судьбы», который заложен датой рождения?
В древности с трепетом относились к возможностям астрологии. Риши Парашара писал (БПХШ 2:8-1З):
«Тот, кто знает все грахи (планеты), станет сведущим в знании прошлого, настоящего и будущего. Никто не может познать это без знания астрологии. Следовательно, каждый должен изучать эту науку и особенно Брамины. Тот, кто порицает эту науку, не зная ее, пойдет в ад, который называется Раурва, и родится слепым.»
«Родится слепым», - не обязательно означает быть «лишенным зрения». Есть люди, которые имеют глаза, но не видят. Это выражение, как мне кажется, может относиться к отсутствию понимания или разумения.
Также он описывает, каким должен быть, изучающий науку о судьбе:
1:5-8. … Обучаться науке Астрологии должны только те ученики, которые достойны и миролюбивы, которые почитают наставников и старших, которые говорят только правду и которые почитают Бога. Только тогда будет благо. Обучать этой науке нельзя нежелающих учеников, скептиков, неверующих (атеистов), коварных и хитрых людей.
Было бы замечательно распространить эти принципы на всех, кто подходит к изучению любой науки и к реализации полученных знаний. Если следовать этому настрою во всех областях жизни – вреда не будет. Но, пренебрегая этикой, наука движется к созданию очередного Франкенштейна...
Выводы
1. Тот факт, что нейросеть уверенно, с общей результативностью до 91%, распознает гороскопы представителей разных профессий (например, актеров и музыкантов из сборника М. Гоклена) и тогда, когда она получает их в виде черно-белой картинки (положение планет в знаках Зодиака: 0/1) и тогда, когда на сенсоры передается «изображение» с оттенками серого (положение планет от 0 градусов Овна в интервале от 0 до 1), указывает на то, что существуют различимые комбинации, или паттерны взаиморасположения планет, которые коррелируют с выбором определенных профессий, что доказывает концепцию астрологии.
2. Это подтверждается также тем, что при использовании случайных положений планет или случайных дат рождения, подобная картина не наблюдается. А также тем, что при попытке обучать нейросеть на реальных данных, а распознавать случайные, или наоборот – общая результативность только падает, порою ниже ожидаемых 50%.
3. Устойчивое распознавание представителей двух профессий наблюдается на исходных данных, собранных в разное время, разными людьми с возможными небольшими отличиями в критериях отбора и для отдаленных друг от друга мест. Так, обучая нейросеть на данных из АстроДатаБанка, а используя для распознавания данные из сборников М. Гоклена, мы получаем общую результативность в 76%. Для этого берем гороскопы актрис + актеров (по 450 случаев) и музыкантов (900 случаев) из АстроДатаБанка для обучения (всего 1800 случаев) и 400 случаев из БД М. Гоклена для распознавания (по 200 для актеров и музыкантов).
4. Нейросеть способна различать гороскопы, как при использовании 10 планет (пожалуйста, не смешивайте астрологический термин «планета» с астрономическим, это разные понятия), так и при использовании септенера (7 планет) с которыми работали в древности, хоть и с меньшей точностью.
Какой вклад вносит каждая из планет и лагна для результативности распознавания в разных группах – еще предстоит уточнить. Сейчас очевидно, что этот вклад отличается, причем в обе стороны (лучшую и худшую).
Пока же обнаружено, что нейросеть может различать некоторые группы гороскопов на основе только позиций Урана, Нептуна и Плутона. Для других планет такая особенность пока не выявлена.
5. Кроме распознавания гороскопов людей разных профессий, нейросеть смогла показать хороший результат (66%) при различении гороскопов долгожителей и недолговечных людей. Эти данные требуют подтверждения на более крупной выборке гороскопов, но обычно, точность распознавания только росла от увеличения базы для обучения. Тем не менее, нужно дождаться новых исследований для подтверждения этого факта.
6. Я уверен, что полученные мною данные можно значительно улучшить с помощью дополнительных возможностей, которые существуют у нейросетей, например, группируя их между собой на разных этапах.
7. Доказательство астрологических концепций подразумевает, что существует судьба, как взаимосвязанная цепь причин и следствий. Судьба, как накопленная сумма еще нереализованных причин, приводит субъекта («агента судьбы», носителя судьбы или душу) к рождению в тот момент времени, который соответствует возможностям для созревания и реализации последствий прошлых дел. Получая плоды своих дел («что посеешь, то и пожнешь»), и закладывая своими поступками новые причины, – душа не успевает исчерпать их в течении одной жизни и вынуждена возвращаться в этот мир для нового рождения, чтобы опять встретиться с последствиями своих усилий.
8. Можно ожидать, что совсем скоро появятся новые исследования, подтверждающие астрологические концепции с помощью нейросетей. Думаю, что нам предстоит множество открытий, которые затронут не только область астрологии, где мы встретим новый, неожиданный взгляд на старые истины, но и область традиционной науки, которая «застряла» в архаическом материализме.
На главную
